基于遗传算法的联合火力WTA问题研究

研究联合火力优化分配问题.联合火力是多种作战力量参战条件下的多武器-多目标对抗.由于火力分配受到多种条件的限制,分配方案又决定作战效果,而武器-目标分配(Weapon Target Assignment,WTA)是多个装备同类型武器的作战单元联合抗击多个目标进行的分配方法.针对WTA问题求解规模大和精度高的特点,传统算法均不能满足速度和精度的要求,在基本遗传算法的基础上,采用精英选择和动态遗传算子的改进算法,避免了过早收敛.利用WTA的数学模型进行仿真.仿真结果验证了算法的有效性.     

基于免疫记忆的蚁群算法的WTA问题求解

武器-目标分配(WTA)是影响武器系统作战有效性的重要因素之一。该文在蚁群算法中增加一个额外的记忆库,利用免疫记忆和克隆选择的思想和方法,提出了基于免疫记忆的蚁群算法(IMBACA),并用于求解武器-目标分配问题。分别用给定数据集和随机数据集的WTA问题进行实验,并与传统蚁群算法和蚁群算法的混合算法进行比较,结果显示IMBACA在解的质量和时间性能上均取得了较好的 效果。     

基于粒子群算法的武器目标分配仿真

介绍防空作战过程中武器目标分配(WTA)问题,分析了武器目标分配问题研究的基本内容,建立了武器目标分配的数学模型,利用粒子群算法进行求解,给出武器目标分配问题的Matlab程序.     

蚁群算法在武器目标分配问题中的应用

武器-目标分配问题(Weapon-Target Assignment Problem)是一种典型的NP问题.在分析多种算法的和建立武器目标分配的优化模型基础上.本文提出求解武器目标分配问题的一种改进蚁群算法,加快收敛速度的同时保证了解的有效性.     

作战智能体分队攻击目标分配模型研究

为解决智能体分队的目标攻击选择问题,文中对作战模型中的多武器目标分配（WTA）问题进行了研究,介绍了WTA问题的基本概念、基本模型、数学性质以及WTA问题研究的基本内容。在模型研究方面,对动态武器目标分配问题建立了迭代规划模型,该模型的优点在于克服了静态WTA模型中部分武器因为时间因素的限制,在作战中不能参与分配的缺点。在算法研究方面,以匈牙利算法对指派问题求解为基础,对动态迭代规划模型进行了求解。最后,通过案例的分析,验证了模型和算法在求解WTA问题的有效性。     

一种求解武器目标分配问题的量子粒子群算法

为了提高武器目标分配相似文献   

武器-目标分配问题的模拟退火算法

武器-目标分配(WeaponTargetAssignment)问题是一个典型的优化问题,模拟退火算法是求解此问题的一种有效方法。文章采用模拟退火算法对WTA问题进行求解,通过实验得到了理想的仿真结果。     

改进量子行为粒子群算法求解武器目标分配问题

为了提高武器目标分配(WTA)问题的求解效率和性能, 提出一种求解武器目标分配问题的改进量子粒子群优化算法. 首先, 通过定义粒子进化速度及粒子聚集度, 将惯性权重表示为粒子进化速度和粒子聚集度的函数, 使惯性权重具有自适应性. 其次, 将慢变函数引入传统位置更新公式中, 有效地克服陷入局部最优解的问题. 最后, 以分配各类武器迎击来袭目标的失败概率最低为目标, 建立多种类型武器目标分配问题模型. 仿真实验表明, 提出的算法能快速给出武器目标分配问题的最好或较好分配方案; 能高效地求解武器目标分配问题.     

多群协同PSO优化算法的WTA问题求解

在现代作战指挥的研究中,武器目标分配(WTA)问题是一种典型的NP问题,针对基本粒子群(PSO)算法易于陷于局部最优解的情况,为提高速度和求解精度,提出用多群协同PSO算法求解WTA问题,设计了一种新的种群生成编码方法,缩小了可行解空间,并给出了采用多群协同PSO算法进行求解WTA问题的详细步骤.对于大规模WTA问题,将三群协同、四群协同PSO算法与基本PSO算法进行了比较,仿真结果表明了多群协同PSO算法当WTA问题规模较大时,在求解精度、收敛速度方面的优越性,能够有效求解WTA复杂而困难的问题.     

SVNTS算法的动态武器目标分配问题研究

动态武器目标分配(Weapon Target Assignment,WTA)问题是军事运筹学研究的重要理论问题,也是作战指挥决策中迫切需要解决的现实问题。运用约束规划方法建立了动态WTA问题的约束满足问题(ConstraintSatisfactionProb-lem,CSP)模型。提出了随机变邻域禁忌搜索(StochasticVariableNeighborhoodTabuSearch,SVNTS)算法对模型进行求解。与静态WTA模型相比,动态WTA模型通过时间优化以及匹配优化解决了武器射击时机问题,提高了武器利用效率。SVNTS算法运算速度快,解的质量基本令人满意,可用于解决较大规模的动态WTA问题。最后通过仿真实验,验证了模型和算法的有效性。     

蚁群算法在TSP问题中的应用

TSP问题(旅行商问题)是组合优化问题中最经典的NP问题之一,蚁群算法是基于群体的一种仿生算法,为求解复杂的组合优化问题提供了一种新思路,本文讨论了如何用基本的蚁群算法来求解TSP问题。     

A Greedy Ant Colony System for Defensive Resource Assignment Problems

The weapon-target assignment (WTA) problem is crucial for strategic planning in military decision-making operations. It defines the best way to assign defensive resources against threats in combat scenarios. This is a NP-complete problem where no exact solution is available to deal with all possible scenarios. A critical issue in modeling the WTA problem is the time performance of the developed algorithms, subject only recently contemplated in related publications. This paper presents a hybrid approach which combines an ant colony optimization with a greedy algorithm, called the Greedy Ant Colony System (GACS), in which a multi colony parallel strategy was also implemented to improve the results. Aiming at large scale air combat scenarios, simulations controlling the algorithm time performance were executed achieving good quality results.     

一种基于新型优化算法的多播路由选择方法

遗传算法、蚁群优化算法已在多播路由优化问题中得到了广泛应用,但由于算法本身的缺陷,二者在具体应用时都存在着时间性能与优化性能之间的矛盾。论文将遗传算法与蚁群优化算法二者合成,优势互补。仿真实验表明,应用这种算法于多播路由问题,可以得到比现有启发式算法更好的结果。     

结合B样条优化的UAV多区域路径规划融合算法

为解决无人机(UAV,unmanned aerial vehicle)在多个目标区域之间快速找到最佳遍历路径的类旅行商问题(TSP,travelling salesman problem),设计一种基于蚁群算法、A*算法以及三次B样条优化的融合规划算法;尽管蚁群算法相对其他优化算法在解决TSP问题上有较为良好的表现,但其规划路径处理时间长、生成路径转折多、路径质量和安全性较差;算法首先改进传统A*算法的节点扩展方式,快速生成两两目标区之间的局部路径,然后将蚁群算法和改进A*算法融合使用进行全局路径规划,最后结合改进三次B样条对路径进行平滑处理;基于栅格地图的仿真结果证明了该算法相比传统算法具有更好的高效性和稳定性。     

基于蚁群算法的逻辑函数化简

仿真硬件是一种新近发展起来的将仿真优化算法的思想应用于硬件物理结构设计的技术,特别是电子系统的设计.针对代数法和卡诺图法难以化简规模很大的逻辑函数问题,提出使用蚁群算法处理大规模逻辑函数化简.详细阐述了蚁群算法处理逻辑函数化简问题模型以及重要技术实现.试验表明演化硬件设计方法能够化简规模很大的逻辑函数.     

改进蚁群系统在火炮弹药装填中的应用

在现代自行火炮武器系统中,弹药自动装填过程要求在短时间内将多枚待发药筒装填完毕.该过程的时间优化属于NP-难问题。由于算法优化的时间也计入装填过程时间内,要求算法能在短时间内优化出较好的结果。为解决该优化问题,使用了蚁群算法,并针对算法易陷入局部最优的缺点,提出了至今最优路径信息素归零策略:在迭代最优路径收敛为至今最优路径时,将其边上的信息素赋值为0。通过实验,和标准蚁群系统对比,表明具有该策略的蚁群系统,迭代次数更少、求解时间更短、解的质量更好更稳定,因而综合性能更好,更加适用于火炮的弹药自动装填过程。     

基于改进蚁群算法的关键链项目进度管理研究

项目进度管理是项目管理工作中的重要内容,关键链法是目前项目管理中较为常用的进度管理方法之一,其本质为多约束优化问题。结合混沌运动与遗传算法的优点,对蚁群算法进行改进,并将其应用于解决关键链项目管理的优化调度问题。克服了蚁群算法由于前期信息素匮乏而导致的需要较长时间进行搜索、容易得到局部最优解的缺点,使混合算法的搜索范围有所增加,蚁群群体的进化速度得到提升,并保持了蚁群算法鲁棒性及收敛性,且算法的计算精度较高,求解速度较快。实例对比分析表明,在求解关键链项目进度管理问题上,混沌蚁群进化算法比遗传蚁群算法更具有优势。     

遗传蚁群融合算法求解航迹规划问题对比研究

蚁群算法和遗传算法的融合是目前的研究热点之一,因此研究不同的遗传蚁群融合算法对算法的选择及其改进具有积极的意义.研究了遗传算法的编码方式、交叉方式及变异操作和蚁群算法的原理,且着重研究了遗传蚁群混合算法、蚁群遗传混合算法、同遗传算法整合的蚁群算法等三种融合算法,并应用这三种算法在求解航迹规划问题上进行了仿真研究,对所得的最优解从精度和快速性对其进行了分析和比较,可以得出遗传蚁群算法快速性最好但精度稍差,同遗传算法整合的蚁群算法精度最好但比较费时,蚁群遗传算法的精度和快速性介于前两种算法之间.     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.